온라인 사용자 행동 패턴이 추천 정확도와 다양성에 미치는 영향

초록

**
본 연구는 전자상거래 사이트의 사용자‑아이템 이분 그래프에서 나타나는 행동 패턴을 실측하고, 이를 무작위 재배열(reshuffling)한 네트워크와 비교한다. 실제 네트워크에서는 사용자의 취향 다양성이 크고, 니치 아이템에 대한 관심이 서로 겹치는 특징이 발견된다. 이러한 구조적 특성이 존재할 때, 개인화 추천 알고리즘(MD, HC, CF)의 정확도가 크게 향상되지만, 인기 기반 추천(PR)은 구조에 크게 의존하지 않는다. 특히, HC 알고리즘은 니치 아이템을 잘 추천하지만, 행동 패턴이 사라지면 성능이 급격히 저하된다.

**

상세 분석

**
이 논문은 네 개의 공개 데이터셋(Movielens, Netflix, Delicious, Amazon)을 이용해 사용자‑아이템 이분 네트워크를 구축하고, ‘reshuffling’이라는 절차를 통해 사용자와 아이템 간의 연결 관계를 무작위화한다. reshuffling 과정에서는 각 링크의 양쪽 끝점(사용자와 아이템)의 차수는 보존되지만, 실제 상관관계는 사라진다. 이를 통해 두 가지 핵심 지표를 비교한다. 첫째, 사용자가 선택한 아이템들의 평균 차수 (d_i) 분포는 실제 네트워크에서 훨씬 넓게 퍼져 있어, 사용자가 다양한 ‘맛’(취향)을 가지고 있음을 의미한다. 반면 reshuffled 네트워크는 (d_i)가 좁은 정규형 분포를 보여, 무작위 연결에서는 취향 다양성이 크게 감소한다. 둘째, 아이템 간 혹은 사용자 간의 ‘inter‑similarity’ (e_S)를 공통 이웃 수로 정의했을 때, 실제 네트워크에서는 저활동 사용자(소규모 차수)가 높은 (e_S)를, 고활동 사용자(대규모 차수)가 낮은 (e_S)를 보인다. 이는 활발한 사용자가 다양한 니치 아이템을 탐색하고, 인기 아이템은 소수의 활발하지 않은 사용자에 의해 집중적으로 소비된다는 의미다. 아이템 측면에서도, 고차수(핫) 아이템의 선택자들은 reshuffled 대비 낮은 (e_S)를, 저차수(니치) 아이템은 높은 (e_S)를 보여, 실제 네트워크에서는 니치 아이템이 특정 사용자 집단에 의해 공동으로 선호되는 경향이 있음을 확인한다.

추천 알고리즘 실험에서는 네 가지 방법을 적용했다. ① Mass Diffusion (MD) – 자원을 사용자‑아이템 네트워크에 확산; ② Heat Conduction (HC) – 확산 행렬을 아이템 차수 기반으로 역전; ③ Item‑based Collaborative Filtering (CF) – 아이템 간 공통 이웃을 유사도로 사용; ④ Popularity Ranking (PR) – 아이템 차수만으로 점수 부여. 각 알고리즘의 전체 추천 점수 (F_\alpha)를 아이템 차수별로 시각화한 결과, MD·CF·PR는 고차수 아이템에 높은 점수를, HC는 저차수 아이템에 높은 점수를 부여한다는 전형적인 특성을 재현한다.

성능 평가는 10 % 링크를 테스트용(probe)으로 숨기고, 나머지를 학습용(training)으로 사용해 ranking score (\langle RS\rangle)를 계산했다. 결과는 다음과 같다. PR은 reshuffling에 거의 영향을 받지 않아, 아이템 인기만으로도 안정적인 추천이 가능함을 보여준다. 반면 MD·CF·HC는 네트워크 구조에 민감하게 반응한다. 특히 HC는 reshuffling 단계가 진행될수록 (\langle RS\rangle)가 급격히 상승해, 니치 아이템을 정확히 예측하던 능력이 크게 손실된다. 이는 HC가 사용자‑아이템 간의 미세한 상관관계(공통 이웃)를 활용해 다양성을 확보하는 메커니즘이, 해당 상관관계가 파괴되면 무용지물이 됨을 의미한다.

종합하면, 실제 온라인 서비스에서는 사용자의 취향 다양성과 니치 아이템에 대한 공동 관심이 존재하기 때문에, 개인화된 네트워크 기반 추천이 높은 정확도와 다양성을 동시에 달성한다. 그러나 이러한 구조적 특성이 약화되면(예: 데이터가 희소하거나 무작위화될 경우) 개인화 알고리즘은 급격히 성능이 저하되고, 단순 인기 기반 방식만이 남는다. 따라서 실무에서는 (1) 사용자 행동 데이터를 충분히 보존·활용하고, (2) 니치 아이템에 대한 공동 관심을 강화할 수 있는 설계(예: 사용자 그룹화, 컨텍스트 정보 결합)를 통해 추천 시스템의 견고성을 높이는 것이 바람직하다.

**